Grug-think est un jeu de données simplifié pour l'inférence d'agents, conçu pour optimiser l'efficacité de cette inférence avant l'appel d'outils. Son objectif est de réduire la consommation de jetons d'inférence tout en préservant la précision des interactions externes et des formats d'appel d'outils. Cet ensemble de données contient 100 891 trajectoires d'exécution d'agents réels issues de cinq grands ensembles de données ouverts, couvrant 451 000 TPE de tâches d'agents intelligents basées sur du code et 551 000 TPE d'appels d'API. Certains exemples omettent intentionnellement des appels d'outils afin d'entraîner les capacités de jugement autonome du modèle. L'ensemble de données conserve l'intégralité de la structure originale des messages, les définitions des outils et le contenu des appels, seule la partie inférence étant réécrite. Un texte d'inférence très concis est inséré avant chaque réponse, ce qui permet d'obtenir un texte d'inférence optimisé d'une longueur médiane de seulement 11 mots.

Composition de l'ensemble de données :

• glaive-function-calling-v2 : Environ 40 800 dialogues d’appel d’outils API de base.
• hermes-function-calling-v1 : Environ 6 200 dialogues d’utilisation d’outils à plusieurs tours.
• ToolACE : Environ 8 900 appels API pour plusieurs outils.
• Trajectoires SWE-smith (outil et ticks) : Environ 30 000 trajectoires, trajectoires réelles d'agents de débogage de code.
• Trajectoires des agents Nebius SWE : Environ 15 000, le code corrige les trajectoires des agents.

Champs de données :

• id : Identifiant unique de l’échantillon
• source : identifiant de la source de données
• Outils : Liste des définitions d'outils disponibles
• message : Une séquence complète de messages de dialogue, chaque message étant organisé selon la structure de rôle, de contenu et d’appels d’outils.